CN113094980B - 一种基于iga-dnn的焊膏印刷质量预测方法及*** - Google Patents
一种基于iga-dnn的焊膏印刷质量预测方法及*** Download PDFInfo
- Publication number
- CN113094980B CN113094980B CN202110328136.5A CN202110328136A CN113094980B CN 113094980 B CN113094980 B CN 113094980B CN 202110328136 A CN202110328136 A CN 202110328136A CN 113094980 B CN113094980 B CN 113094980B
- Authority
- CN
- China
- Prior art keywords
- solder paste
- neural network
- population
- paste printing
- fitness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Electric Connection Of Electric Components To Printed Circuits (AREA)
Abstract
本发明公开了一种基于IGA‑DNN的焊膏印刷质量预测方法与***,通过采集锡膏印刷关键工艺参数与焊膏印刷相对体积原始数据并进行预处理,根据输入输出变量种类,确定深度神经网络拓扑结构,并采用深度神经网络预测的锡膏印刷相对体积作为遗传算法的适应度函数;最后使用遗传算法优化求解深度神经网络权值和阈值,通过训练样本完成该算法模型训练,相较于传统神经网络采用梯度下降方法更新网络的超参数导致网络搜索速度慢、极易陷入局部最优等问题,本发明采用基于遗传算法初始化深度神经网络超参数,提高神经网络收敛速度和精度,实现SMT焊膏印刷质量预测的高精度和稳定性,同时为SMT锡膏印刷工艺参数优化提供相应技术方法支撑。
Description
技术领域
本发明属于表面贴装检测领域,特别涉及一种基于IGA-DNN的焊膏印刷质量预测方法及***。
背景技术
作为电子制造业的核心技术之一,表面组装技术(Surface Mount Technology,SMT)具有结构紧凑、组装维度高、质量小、抗冲击性能好、生产效率高等优点。由于SMT生产工序较多,导致印刷质量控制困难,实际生产过程中,人员、机器、物料、方法、甚至环境的变化都会导致工艺质量的不稳定,同时锡膏印刷质量将主要影响最终表面贴装质量,因此对锡膏印刷质量控制尤为重要。锡膏在焊盘成型量为衡量印刷质量优劣的关键质量标准,通过遗传算法优化的深度神经网络对于焊接电路板上关键的焊盘上锡膏印刷相对体积的预测,根据预测焊膏印刷体积与目标值之间形成对比来衡量锡膏印刷质量的优劣。传统锡膏印刷工艺生产基本采用首件试错方式去优化控制焊膏印刷关键工艺参数,传统生产模式不但需要专业人员完成产品质量检验,同时常出现锡膏印刷生产质量常波动现象。因此,亟需一种高效率、高准确性方法实现锡膏印刷生产质量的有效控制。神经网络自身的结构特点导致该网络有一些缺点,如收敛速度慢,极易陷入局部的极小值,在这种情况下将会导致预测精度下降,达不到实际预测的使用要求。
发明内容
本发明的目的在于提供一种基于IGA-DNN的焊膏印刷质量预测方法及***,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种基于IGA-DNN的焊膏印刷质量预测方法,包括以下步骤:
S1,采集锡膏印刷工艺参数与通过该锡膏印刷工艺参数得到的焊膏印刷相对体积的原始数据,并对采集的原始数据进行预处理,锡膏印刷工艺参数为模型输入参数,焊膏印刷相对体积作为输出数据;
S2,根据输入参数和输出数据的变量种类,确定深度神经网络拓扑结构,建立深度神经网络;
S3,初始化遗传算法种群,以适应度函数值为导向,完成种群选择、交叉、变异操作,生成子代种群,利用遗传算法对深度神经网络权重和阈值进行优化;
S4,利用预处理后的锡膏印刷工艺参数对遗传算法优化的神经网络进行模型训练,利用训练完成后的模型实现SMT焊膏印刷质量预测。
进一步的,锡膏印刷工艺参数包括X坐标、Y坐标、刮刀压力、刮刀速度、脱模速度和脱模距离。
进一步的,预处理:利用均值填充方法对锡膏印刷工艺参数中缺失数据进行填充,将各输入参数的数值转化到[0,1]范围内,归一化公式为:
式中,y表示待归一化的数据,x表示输入的原始数据,xmax和xmin分别代表输入数据的最大值和最小值。
进一步的,根据输入参数和输出数据,得到深度神经网络的输入层神经元个数为6,输出神经元的个数为1;深度神经网络的隐含层为两层,且神经元的个数相等,隐含层神经元的个数与输入神经元的个数有以下的对应关系:
n≤2m+1
式中,n为隐含层神经元个数,m为输入层神经元个数。
进一步的,通过预测值的精度进行对比得到隐含层最佳的神经元数量;
其中预测值的精度由以下均方误差公式确定:
式中,n为数据总数,Vp为体积的预测值,Va为体积的真实值。
进一步的,初始化遗传算法种群:将神经网络的权值在[-1,1]中随机生成,采用十进制编码完成神经网络权值编码,初始化种群,其中种群中每个染色体上基因的个数为深度神经网络的权值和阈值个数之和;
计算每个染色体对应的适应度,根据优胜劣汰的机制,选择种群中优秀的染色体作为父代,其中适应度函数计算如下:
式中,Vp为体积的预测值,Va为体积的真实值,利用体积均方误差的倒数作为适应度函数。
进一步的,具体的,将种群中个体的适应度值按大小进行排序,保留前1/4的个体作为父代,淘汰后1/4的个体,将中间1/2的群体按如下的选择概率进行选择其1/2作为父代:
式中,pi表示第i个体的选择概率,L表示1/2的种群中个数,i表示个体在种群中的排序(1,2,3…L),N表示当前迭代次数,M表示种群总迭代次数;
每个种群的个体完成适应度计算后,将上一代最高适应度个体与当代的最优适应度进行对比,如果上一代最优个体的适应度高于当代最优个体的适应度,就随机淘汰一个当代个体,用父代最优的个体填充;
将上一代即父代中最差个体的适应度与当代最差个体的适应度进行对比,如果父代的最差个体适应度低于当代最差个体的适应度,讲随机淘汰一个当代的个体;
将选择的父代两两配对,通过交叉概率Pc将配对好的父代个体加以替换重组形成新的个体。
进一步的,采用单点交叉算子的方式,即对交叉点的基因相互替代,随机产生s个交叉点进行交叉,交叉概率如下:
式中,Fmax、Favg分别表示当前种群中的最大适应度和平均适应度kc=1.5,Pc1=0.7,Pc2=0.6。
进一步的,采用均方根误差评价训练后的模型的稳定性与预测精度:将遗传算法优化后的神经网络权重和阈值作为神经网络初始的权值和阈值;根据神经网络计算特征,设i为输入神经元个数,m为第一个隐含层神经元个数,n为第二个隐含层神经元个数,神经元激活函数为Sigmoid函数,则整个神经网络输出的结果Y为:
式中,wij,wjk,wk分别为输入层与第一个隐含层权重,第一个隐含层与第二个隐含层权重,第二个隐含层与输出层权重,bj,bk,b分别为第一个隐含层,第二个隐含层、输出层阈值,xi为输入数据,yj为第一个隐含层神经元经过激活后的值,并作为第二个隐含层的输入数据,yk为第二个隐含层神经元经过激活后的值,并作为输出层的输入数据;
通过均方根误差判断深度神经网络模型的精度,均方根误差越小,则神经网路的精度越高。
一种基于IGA-DNN的焊膏印刷质量预测***,包括工艺参数预处理模块和预测模块;
工艺参数预处理模块用于对锡膏印刷工艺参数与通过该锡膏印刷工艺参数得到的焊膏印刷相对体积的原始数据进行预处理,并将预处理数据传输至预测模块,对预测模块进行优化训练;预测模块根据输入参数和输出数据的变量种类,以适应度函数值为导向,完成种群选择、交叉、变异操作,生成子代种群,利用遗传算法完成深度神经网络权重和阈值的优化,然后以预处理后的锡膏印刷工艺参数对遗传算法优化的神经网络进行模型训练,利用训练完成后的模型实现SMT焊膏印刷质量预测。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种基于IGA-DNN的焊膏印刷质量预测方法,通过采集锡膏印刷关键工艺参数与焊膏印刷相对体积原始数据并进行预处理,根据输入输出变量种类,确定深度神经网络拓扑结构,并采用深度神经网络预测的锡膏印刷相对体积作为遗传算法的适应度函数;最后使用遗传算法优化求解深度神经网络权值和阈值,通过训练样本完成该算法模型训练,相较于传统神经网络采用梯度下降方法更新网络的超参数导致网络搜索速度慢、极易陷入局部最优等问题,本发明采用基于遗传算法初始化深度神经网络超参数,提高神经网络收敛速度和精度,实现SMT焊膏印刷质量预测的高精度和稳定性,同时为SMT锡膏印刷工艺参数优化提供相应技术方法支撑。
进一步的,利用遗传算法的全局寻优能力强、收敛效率高等特性,对神经网络的原始结构参数进行编码与迭代优化,能够有效改进传统神经网络的不足之处,进而提高预测的准确性,实现焊膏印刷质量精准预测。
进一步的,用父代最优的个体填充,这样在保证每代种群数目不变的情况下,降低了交叉、变异操作破坏前一代优良的个体的可能性,有利于进化优良的个体基因。
附图说明
图1为本发明实施例中深度神经网络拓扑结构图。
图2为本发明实施例中IGA-DNN算法流程图。
图3为本发明实施例中IGA-DNN与DNN对焊膏印刷质量预测准确率对比曲线图。
图4为本发明实施例中IGA-DNN与DNN对焊膏印刷质量预测结果对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
如图2所示,一种基于遗传算法优化深度神经网络(IGA-DNN)的焊膏印刷质量预测方法,包括以下步骤:
S1,采集锡膏印刷工艺参数与通过该锡膏印刷工艺参数得到的焊膏印刷相对体积的原始数据,并对采集的原始数据进行预处理;
具体的,根据表面贴装技术中焊膏印刷实际要求确定能优化控制的工艺参数,通过对以往影响焊膏印刷质量的工艺参数分析,得到锡膏印刷工艺参数包括X坐标、Y坐标、刮刀压力、刮刀速度、脱模速度和脱模距离,上述六个锡膏印刷工艺参数为影响锡膏印刷质量的关键因素,将这些数据作为模型输入参数,将焊膏印刷相对体积作为输出数据。
具体的预处理包括以下步骤:利用均值填充方法对锡膏印刷工艺参数中缺失数据进行填充,即,同类工艺参数中,取已知工艺参数均值,以均值填充缺失的部分数据。利用均值填充缺失数据形成新的输入、输出数据集。
输入数据归一化处理:为了减小不同量纲和较大数值对模型效果的影响,输入参数需要归一化处理,将各输入参数的数值转化到[0,1]范围内,归一化公式为:
式中,y表示待归一化的数据,x表示输入的原始数据,xmax和xmin分别代表输入数据的最大值和最小值;完成锡膏印刷工艺参数的预处理。
将预处理后锡膏印刷工艺参数按照3:1的比例划分训练样本集和测试样本集。
S2,根据输入参数和输出数据的变量种类,确定深度神经网络拓扑结构,建立深度神经网络;
具体的,根据输入参数和输出数据的变量种类,确定深度神经网络输入层、隐藏层、输出层神经元的个数;根据输入参数和输出数据,可知道深度神经网络的输入层神经元个数为6,输出神经元的个数为1。
取深度神经网络的隐含层为两层,且神经元的个数相等,隐含层神经元的个数与输入神经元的个数有以下的对应关系:
n≤2m+1
式中,n为隐含层神经元个数,m为输入层神经元个数,这里隐含层神经网络的个数为一个范围,为获取最佳隐含层神经元个数,通过在该范围内取不同的神经元,通过预测值的精度进行对比,从而确定隐含层最佳的神经元数量。图1所示为深度神经网络拓扑结构图,通过训练数据正向传播、模型误差反向传播,完成模型参数权重和阈值优化,从而学习到输入与输出映射关系。
其中预测值的精度由以下均方误差公式确定:
式中,n为数据总数,Vp为体积的预测值,Va为体积的真实值。
S3,初始化遗传算法种群,以适应度函数值为导向,完成种群选择、交叉、变异操作,生成子代种群,利用遗传算法对深度神经网络权重和阈值进行优化;
具体包括以下步骤:
初始化遗传算法种群:将神经网络的权值在[-1,1]中随机生成,采用十进制编码完成神经网络权值编码,初始化种群,其中种群中每个染色体上基因的个数为深度神经网络的权值和阈值个数之和。
种群选择:计算每个染色体对应的适应度,根据优胜劣汰的机制,选择种群中优秀的染色体作为父代,其中适应度函数计算如下:
式中,Vp为体积的预测值,Va为体积的真实值,利用体积均方误差的倒数作为适应度函数。
自适应算法的选择算子具体方法如下:
①将种群中个体的适应度值按大小进行排序,保留前1/4的个体作为父代,淘汰后1/4的个体,将中间1/2的群体按如下的选择概率进行选择其1/2作为父代:
式中,pi表示第i个体的选择概率,L表示1/2的种群中个数,i表示个体在种群中的排序(1,2,3…L),N表示当前迭代次数,M表示种群总迭代次数。这里引入了λN变量,由于在种群初始时,种群的适应度差异很大,应该选择适应度比较大的种群个体,随着种群进化次数增多,种群之间的差异性变小,相应种群中最佳个体被选择的概率应该降低。
②引入父代最优保存策略:每个种群的个体完成适应度计算后,将上一代最高适应度个体与当代的最优适应度进行对比,如果上一代最优个体的适应度高于当代最优个体的适应度,就随机淘汰一个当代个体,用父代最优的个体填充,这样在保证每代种群数目不变的情况下,降低了交叉、变异操作破坏前一代优良的个体的可能性,有利于进化优良的个体基因。
③引入父代最差保存策略:将上一代即父代中最差个体的适应度与当代最差个体的适应度进行对比,如果父代的最差个体适应度低于当代最差个体的适应度,讲随机淘汰一个当代的个体,将父代最差的个体引入,组成新的种群。该方法的好处在于,不但不影响种群向最优的方向进化,还给种群提供更多的多样性,有利于种群全局寻优。
种***叉:将选择的父代两两配对,通过交叉概率Pc将配对好的父代个体加以替换重组形成新的个体。本申请采用单点交叉算子的方式,即对交叉点的基因相互替代,随机产生s个交叉点进行交叉,交叉概率如下:
式中,Fmax、Favg分别表示当前种群中的最大适应度和平均适应度kc=1.5,Pc1=0.7,Pc2=0.6。
种群变异:变异时以Pm的变异概率对种群中个体中某些基因位的基因值作为变动,若变异后子代适应度更好将会被保留下来,否则将会继续保存变异前父代个体,变异概率如下:
式中,Fmax、Favg分别表示当前种群中的最大适应度和平均适应度,km=2,Pm1=0.1,Pm2=0.001。
如图2所述利用遗传算法优化深度神经网络的流程图,通过优化后的遗传算法对种群(权重和阈值)不断进行选择、交叉、变异形成新的种群,达到终止条件后,完成对于深度神经网络权值和阈值的寻优,最终通过神经网络的再训练完成对于焊膏印刷质量的预测。
S4,利用预处理后的锡膏印刷工艺参数对遗传算法优化的神经网络进行模型训练,利用训练完成后的模型实现SMT焊膏印刷质量预测。
采用均方根误差评价训练后的模型的稳定性与预测精度,实现锡膏印刷质量预测的步骤如下:
(1)将遗传算法优化后的神经网络权重和阈值作为神经网络初始的权值和阈值;
(2)根据神经网络计算特征,设i为输入神经元个数,m为第一个隐含层神经元个数,n为第二个隐含层神经元个数,神经元激活函数为Sigmoid函数,则整个神经网络输出的结果Y为:
式中,wij,wjk,wk分别为输入层与第一个隐含层权重,第一个隐含层与第二个隐含层权重,第二个隐含层与输出层权重,bj,bk,b分别为第一个隐含层,第二个隐含层、输出层阈值,xi为输入数据,yj为第一个隐含层神经元经过激活后的值,并作为第二个隐含层的输入数据,yk为第二个隐含层神经元经过激活后的值,并作为输出层的输入数据。
将预处理后的测试样本数据作为深度神经网络的输入数据,对神经网络进行验证,通过均方根误差判断深度神经网络模型的精度,均方根误差越小,则神经网路的精度越高。利用测试样本对本发明方法和现有方法进行预测验证,结果如表1、图3、图4所示,可以看出经过遗传算法优化后的神经网络,明显在锡膏印刷体积的预测精度更高、模型收敛速度更快。
表1锡膏印刷质量预测误差对比
利用本发明遗传算法优化深度神经网络,从而避免深度神经网络模型训练速度慢、极易陷入局部最优的问题。深度神经网络具有较强处理非线性问题的能力,模型通过训练大量的输入、输出数据,可以学习并记忆这种难以用数学去描述的映射关系,能够较好的将锡膏印刷工艺参数与焊膏印刷质量评价指标相对应,从而在实际生产之前完成对于焊膏印刷质量的预测评估。本发明采用遗传算法与深度神经网络的各自优点相结合,是对两种方法的优势互补,利用遗传算法优化深度神经网络的结构和参数,降低5%预测时间,提高了10%的预测精度,实现锡膏印刷质量高效、精准预测。
以上仅是针对于表面贴装技术中锡膏印刷质量预测的描述,但是本发明并不限制于该应用范围。
Claims (8)
1.一种基于IGA-DNN的焊膏印刷质量预测方法,其特征在于,包括以下步骤:
S1,采集锡膏印刷工艺参数与通过该锡膏印刷工艺参数得到的焊膏印刷相对体积的原始数据,并对采集的原始数据进行预处理,锡膏印刷工艺参数为模型输入参数,焊膏印刷相对体积作为输出数据;
S2,根据输入参数和输出数据的变量种类,确定深度神经网络拓扑结构,建立深度神经网络;
S3,初始化遗传算法种群,以适应度函数值为导向,完成种群选择、交叉、变异操作,生成子代种群,利用遗传算法对深度神经网络权重和阈值进行优化;
将神经网络的权值在[-1,1]中随机生成,采用十进制编码完成神经网络权值编码,初始化种群,其中种群中每个染色体上基因的个数为深度神经网络的权值和阈值个数之和;
计算每个染色体对应的适应度,根据优胜劣汰的机制,选择种群中优秀的染色体作为父代,其中适应度函数计算如下:
式中,Vp为体积的预测值,Va为体积的真实值,利用体积均方误差的倒数作为适应度函数;
将种群中个体的适应度值按大小进行排序,保留前1/4的个体作为父代,淘汰后1/4的个体,将中间1/2的群体按如下的选择概率进行选择其1/2作为父代:
式中,pl表示第l个体的选择概率,L表示1/2的种群中个数,l表示个体在种群中的排序(1,2,3…L),N表示当前迭代次数,M表示种群总迭代次数;
每个种群的个体完成适应度计算后,将上一代最高适应度个体与当代的最优适应度进行对比,如果上一代最优个体的适应度高于当代最优个体的适应度,就随机淘汰一个当代个体,用父代最优的个体填充;
将上一代即父代中最差个体的适应度与当代最差个体的适应度进行对比,如果父代的最差个体适应度低于当代最差个体的适应度,将随机淘汰一个当代的个体;
将选择的父代两两配对,通过交叉概率Pc将配对好的父代个体加以替换重组形成新的个体;
S4,利用预处理后的锡膏印刷工艺参数对遗传算法优化的神经网络进行模型训练,利用训练完成后的模型实现SMT焊膏印刷质量预测。
2.根据权利要求1所述的一种基于IGA-DNN的焊膏印刷质量预测方法,其特征在于,锡膏印刷工艺参数包括X坐标、Y坐标、刮刀压力、刮刀速度、脱模速度和脱模距离。
4.根据权利要求1所述的一种基于IGA-DNN的焊膏印刷质量预测方法,其特征在于,根据输入参数和输出数据,得到深度神经网络的输入层神经元个数为6,输出神经元的个数为1;深度神经网络的隐含层为两层,且神经元的个数相等,隐含层神经元的个数与输入神经元的个数有以下的对应关系:
e≤2a+1
式中,e为隐含层神经元个数,a为输入层神经元个数。
7.根据权利要求1所述的一种基于IGA-DNN的焊膏印刷质量预测方法,其特征在于,采用均方根误差评价训练后的模型的稳定性与预测精度:将遗传算法优化后的神经网络权重和阈值作为神经网络初始的权值和阈值;根据神经网络计算特征,设h为输入神经元个数,m为第一个隐含层神经元个数,n为第二个隐含层神经元个数,神经元激活函数为Sigmoid函数,则整个神经网络输出的结果Y为:
式中,whj,wjk,wk分别为输入层与第一个隐含层权重,第一个隐含层与第二个隐含层权重,第二个隐含层与输出层权重;bj,bk,b分别为第一个隐含层,第二个隐含层,输出层阈值;xh为输入数据,yj为第一个隐含层神经元经过激活后的值,并作为第二个隐含层的输入数据,yk为第二个隐含层神经元经过激活后的值,并作为输出层的输入数据;
通过均方根误差判断深度神经网络模型的精度,均方根误差越小,则神经网络的精度越高。
8.一种基于权利要求1所述IGA-DNN的焊膏印刷质量预测方法的焊膏印刷质量预测***,其特征在于,包括工艺参数预处理模块和预测模块;
工艺参数预处理模块用于对锡膏印刷工艺参数与通过该锡膏印刷工艺参数得到的焊膏印刷相对体积的原始数据进行预处理,并将预处理数据传输至预测模块,对预测模块进行优化训练;预测模块根据输入参数和输出数据的变量种类,以适应度函数值为导向,完成种群选择、交叉、变异操作,生成子代种群,利用遗传算法完成深度神经网络权重和阈值的优化,然后以预处理后的锡膏印刷工艺参数对遗传算法优化的神经网络进行模型训练,利用训练完成后的模型实现SMT焊膏印刷质量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328136.5A CN113094980B (zh) | 2021-03-26 | 2021-03-26 | 一种基于iga-dnn的焊膏印刷质量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110328136.5A CN113094980B (zh) | 2021-03-26 | 2021-03-26 | 一种基于iga-dnn的焊膏印刷质量预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094980A CN113094980A (zh) | 2021-07-09 |
CN113094980B true CN113094980B (zh) | 2023-05-02 |
Family
ID=76670330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110328136.5A Active CN113094980B (zh) | 2021-03-26 | 2021-03-26 | 一种基于iga-dnn的焊膏印刷质量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094980B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261866A (zh) * | 2020-09-28 | 2021-01-22 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 智能决策pcb质量的smt工艺预测工具 |
CN113537621B (zh) * | 2021-07-30 | 2023-09-22 | 江苏科技大学 | 一种大数据驱动的船舶薄板焊接质量预测方法 |
CN113657040A (zh) * | 2021-08-24 | 2021-11-16 | 山东大学 | 一种基于神经进化的激光扫描焊接熔深预测方法及应用 |
CN114148103B (zh) * | 2021-11-22 | 2023-09-26 | 北京柏瑞安电子技术有限公司 | 一种基于神经网络学习的焊膏印刷标记识别方法及*** |
CN114386364B (zh) * | 2021-12-06 | 2024-01-19 | 西安交通大学 | 电子表面贴装焊接质量预测与工艺参数优化方法 |
CN117202532B (zh) * | 2023-09-09 | 2024-04-05 | 北京强云创新科技有限公司 | 一种smt工艺的优化控制方法及*** |
CN117056711B (zh) * | 2023-10-11 | 2024-01-30 | 深圳正实自动化设备有限公司 | 基于多源数据的锡膏印刷机性能评估方法、***及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960306A (zh) * | 2018-06-22 | 2018-12-07 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000048055A (ja) * | 1998-07-28 | 2000-02-18 | Sekisui Chem Co Ltd | 遺伝的アルゴリズムを用いた製品設計システムおよび製品設計方法 |
US7324979B2 (en) * | 2003-08-29 | 2008-01-29 | Bbn Technologies Corp. | Genetically adaptive neural network classification systems and methods |
CN103885020B (zh) * | 2014-03-28 | 2017-01-25 | 卢兆兴 | 一种基于自适应遗传算法的三轴磁强计误差校正方法 |
CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
CN108846472A (zh) * | 2018-06-05 | 2018-11-20 | 北京航空航天大学 | 一种自适应遗传粒子群混合算法的优化方法 |
CN110543616B (zh) * | 2018-12-26 | 2022-12-02 | 西安电子科技大学 | 基于工业大数据的smt锡膏印刷体积预测方法 |
US11278990B2 (en) * | 2019-07-30 | 2022-03-22 | GM Global Technology Operations LLC | Weld inspection system and method |
CN112015719A (zh) * | 2020-08-27 | 2020-12-01 | 河海大学 | 基于正则化和自适应遗传算法的水文预测模型的构建方法 |
-
2021
- 2021-03-26 CN CN202110328136.5A patent/CN113094980B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108960306A (zh) * | 2018-06-22 | 2018-12-07 | 西安电子科技大学 | 基于smt大数据的锡膏检测阈值优化方法 |
Non-Patent Citations (2)
Title |
---|
Li Feng Zhang et al..A novel fitness allocation algorithm for maintaining a constant selective pressure during GA procedure.《Neurocomputing》.2015,第2015年卷(第148期),全文. * |
李俊基,周灌中.锡膏印刷制程的智能控制.河南机电高等专科学校学报.2005,第13卷(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN113094980A (zh) | 2021-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094980B (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及*** | |
CN114386364B (zh) | 电子表面贴装焊接质量预测与工艺参数优化方法 | |
CN1916791A (zh) | 一种丙烯聚合工业生产熔融指数软测量方法 | |
CN111144552B (zh) | 一种粮食品质多指标预测方法及装置 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN111985825A (zh) | 一种用于滚磨机定向仪的晶面质量评估方法 | |
CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和*** | |
CN102680646A (zh) | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 | |
CN116542382A (zh) | 基于混合优化算法的污水处理溶解氧浓度预测方法 | |
CN111506868A (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN111222762A (zh) | 太阳能电池板镀膜工艺状态监控及质量控制*** | |
CN110490234A (zh) | 基于聚类分类联合机制的分类器的构建方法以及分类方法 | |
CN114004341A (zh) | 一种基于遗传算法及bp神经网络的光纤预制棒制备工艺优化方法 | |
CN111967184B (zh) | 一种基于序列模型的多目标天线设计方法 | |
CN112330029A (zh) | 一种基于多层convLSTM的渔场预测计算方法 | |
CN117540262A (zh) | 一种基于前馈与反馈结合的变压器故障预测建模方法 | |
CN108760813B (zh) | 一种基于温度信号的燃气轮机涡轮叶片健康监测***及方法 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
CN115906959A (zh) | 基于de-bp算法的神经网络模型的参数训练方法 | |
CN113094973B (zh) | 一种基于多目标优化算法的民机需求优选方法 | |
CN115619028A (zh) | 一种基于聚类算法融合的电力负荷精准预测方法 | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
CN113836818A (zh) | 一种基于bp神经网络预测模型的洋流运动预测算法 | |
CN113449912A (zh) | 一种基于人工智能技术的空间负荷态势感知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |